我想用分类器实现一个对抗网络,该分类器的输出连接到一个对手,该对手必须根据分类器的输出猜测分类器输入的特定特征(一个讨厌的参数)(详细描述这样的一个)对抗性网络可以在本文中找到:learning to pivot with adversarial networks
然后将对模型进行如下训练:
-
批量训练对手(分类器将被修复)
-
冻结对手
-
训练整个模型,同时对手被批量冻结
-
解冻对手
-
重复其他批次
-
shuffle并重复其他时代
在训练对手时我希望损失函数是分类交叉熵,并且当训练整个模型时,我希望它是分类器的损失函数(二进制交叉熵损失)减去对手的损失乘以参数: L_c() - b * L_a()
.
我见过的大多数对抗训练代码都是使用train_on_batch在Keras训练的 . 然而,由于我已经有很多代码设置与另一个顺序模型,我想重用它,我想知道是否有一种方法来实现这个模型,并在Keras中使用model.fit进行训练 .
我想要做的是使用Keras功能API设置模型,分类器输入作为输入,分类器和对手输出作为输出 . 我还将模型编译为只有单个输出的对手模型 . 例如:
classifier_input = Input(shape=(10,))
x = Dense(50, activation='tanh')(classifier_input)
x = Dense(25, activation='tanh')(x)
x = Dense(5, activation='tanh')(x)
classifier_output = Dense(1, activation='sigmoid')(x)
x = Dense(30, activation='tanh')(classifier_output)
x = Dense(15, activation='tanh')(x)
x = Dense(5, activation='tanh')(x)
adversary_output = Dense(3, activation='sgimoid')(x)
adversary = Model(inputs=classifier_input , outputs=adversary_output)
adversary.compile(optimizer='Adamax', loss='categorical_crossentropy', metrics=['accuracy'])
final_model = Model(inputs=classifier_input,outputs=[classifier_output,adversary_output])
final_model.compile(optimizer='Adamax',
loss=['binary_crossentropy', 'categorical_crossentropy'],
loss_weights=[1.0, -0.1], metrics=['accuracy'])
然后我想在on_batch_begin中设置一个回调来训练对手(在冻结分类器中的图层之后),然后使用model.fit代码完成final_model的训练(我将冻结对手并解冻分类器层)在final_model训练开始之前的on_batch_begin) .
但后来我不知道是否可以将当前批处理作为参数传递给on_batch_begin . 我是否必须在回调中设置我自己的批次,还是可以通过model.fit传递批次?
在使用model.fit的同时,是否有更好的方法进行对抗训练?